深度学习论文精读04——用于药物推荐的知识增强的分布式多任务学习_knowledge-enhanced attributed multi-task learning

标题：Knowledge-enhanced Atributed Multi-Task Learning for Medicine
Recommendation
文献作者：YINGYING ZHANG,XIAN WU,QUAN FANG,SHENGSHENG QIAN,CHENGSHENG XU.
期刊：ACM Trans Inf Syst.

一、背景

药物推荐系统的目标是在给定一组症状的情况下推荐一组可以治疗这些症状而不会因药物与药物间相互作用而导致有害的药物，不同于传统的推荐任务对一个用户和一个项目之间的单一关系进行建模，药品推荐需要联合考虑一组症状并预测一组合适的药品。
这对帮助医生的日常门诊起着至关重要的作用。现有的方法有基于规则的和受监督的两种方法。然而，前者严重依赖专家标注，耗时且收集成本高，而后者存在数据稀疏问题。

二、主要内容

为了在稀疏数据上自动推荐药物，提出了MedRec，它在建模中引入了两个图:1)连接疾病、药物、症状和检查的医学知识图；2)通过共享属性和分子结构连接的药物属性图。这两个图表增强了症状和药物之间的联系，从而缓解了数据稀疏问题。通过学习疾病、药物、症状和检查之间的相互关系以及药物内部的内在关系，我们可以获得可用于药物推荐的症状和药物的统一嵌入表示。实验结果表明，该模型的性能优于现有的方法。此外，还发现这两个任务:学习图形表示和药物推荐可以相互受益。

假设一个病人出现发烧和头痛的症状，通过知识图表，我们可以推断这个病人感冒了，并推荐布洛芬，布洛芬可以缓解普通感冒引起的发烧和头痛。此外，我们利用药物属性图来查找扑热息痛，即使感冒和扑热息痛之间的界限在医学知识图中缺失。这是因为布洛芬和扑热息痛都属于非类固醇类抗炎药(NSAID)的范畴，并且具有三个共同的亚分子结构。在医学知识图和药物属性图的共同作用下，提供了一个药物推荐的例子。

给定症状集，提出的MedRec基于医学知识图和药物属性图给出推荐的药物。我们的方法根据医学知识图表推荐“布洛芬”。尽管医学知识图表中缺少扑热息痛与感冒之间的关系，但我们的方法可以根据属性图表推荐扑热息痛。

为了对医学知识图和医学属性图进行建模，提出了一个用于药物推荐的多任务学习框架MedRec。MedRec通过以下三个步骤进行推荐:1)在医学知识图上，MedRec首先通过多关系图卷积网络(GCN)学习实体和关系的嵌入，并用链接预测任务的目标函数优化模型。通过这种方式，可以获得症状和药物的嵌入。为了表示一组症状，将每个症状的嵌入与注意机制相融合，生成症状的表示；2)为了学习一个药品的表示，除了从医学知识图中得到的嵌入，还用GCN挖掘药品属性图，得到另一个嵌入。从医学知识图和医学属性图获得的嵌入被连接在一起以形成医学的最终表示；3)学习药物和药物的相互作用以产生预测分数。为了将上述三个步骤合并在一个统一的框架中，提出了一个多任务框架来处理图形嵌入和药物推荐任务的训练过程。

三、模型介绍

MedRec的框架如图，在医药物推荐中应用了医学知识图和药物属性图，两个图通过多任务学习框架来统一，以改进推荐。

提出的MedRec的体系结构包括三个部分:1)知识图学习药物、症状、疾病和身体检查的表示；2)属性图学习药物的另一种表示；3)推荐模型结合获得图嵌入，针对症状推荐合适的药物。

1 问题定义

输入包括知识图，属性图和一组处方。其中是具有四种类型的实体(包括症状、药物、疾病和体检)的集合,是一组属性实体，是一组关系，是三元组的集合。

2 图形构造

医学知识图 对于医学数据集，实体类型包括症状、医学、疾病和体检。实体之间的边显示了实体之间的关系。对于中医数据集，我们构建了基于方剂集合的知识图。实体是症状集和药物集的组合。此外，我们定义了四种不同的关系:HerbSym，SymHerb，它描述了一对药物集和症状集之间的相互作用，以及HerbHerb，SymSym，它指示了症状集或药物集内的相互作用。

药物属性图 给定药物布洛芬，我们首先获得该药物的SMILES字符串，这是其分子结构的文本表示；然后我们使用RDKit2 把长长的SMILES串分解成三个子串:羰基、苯基和甲基。每个子串代表一个亚分子结构。分割后，每个分子被分解成一组子分子结构，记为vm。我们还获得了类别信息:芳香烃、羧酸和非类固醇类抗炎药。如果两个子分子/类别(节点)共享一种药物，它们在属性图中由一条边连接。

医学属性图的构建步骤。给定药物布洛芬，(1)我们首先获得该药物的微笑串，它是分子结构的文本表示；(2)我们使用RDKit将SMILES字符串分解成三个子字符串，每个子字符串代表一个子分子结构。

医学属性图的构建步骤。找出药物与属性之间的关系，并构建属性图。

3 图形嵌入学习

医学知识图嵌入学习 图嵌入是学习实体和关系的连续表示，同时保留结构和语义信息。图形神经网络编码邻居信息以利用邻居的上下文，使用R-GCN作为图形卷积层，但是该框架对于图形卷积层的特定选择是不可知的。定义以下传播模型来计算前向传递更新：（1）
在更新了知识图中实体和关系的表示之后，令ei = h(L)，其中L是图卷积层数。然后，我们用得分函数对知识图中的三元组进行排序。在实验中，使用旋转分数函数作为分数函数，该函数再标准预测链路上表示出色。在轮换制中，三元组得分为：（2）
药物属性图嵌入学习 属性嵌入学习上每个属性的表征和它们之间的关系都由GCN来学习。

一旦GCN前向传播完成，两个嵌入学习的图表可以得到每个节点的特征向量，其中包括单一症状表示es和医学表示，属性表示。

4 药物推荐

单一药品属性采用汇总表示，其中，。为了从知识图谱中得到症状表征es ，使用加权平均数汇总，得到处方中单个症状集sc的表征。用ws表示症状的权重，平衡不同频率的症状的贡献。最后使用score描述药品推荐的排名分数 (3)

四、总结

本文探讨了药物推荐的问题：在给定的一组症状的情况下预测一组药品。为了缓解数据稀疏的问题，提出了引入医学知识图和药物属性图的MedRec模型。医学知识图挖掘药物、症状、疾病和体检之间的相互关系；药品属性图挖掘了药品之间的内在联系。通过这两个图，设法学习用于药物推荐的症状和药物的嵌入表示。为了统一嵌入学习和推荐任务，在训练中提出了一个多任务框架，并且发现这两个任务高度相关并且可以相互受益。
另外，本文的研究还可以在其他方向拓展，例如，可以通过纳入病人的个人信息——患者电子健康记录，来捕获了患者的综合病史，并且可以提供个人信息以供推荐。